Dugoročno predviđanje vodostaja jezera metodama umjetne inteligencije

Abstract

This paper covers the estimation of the water levels of Beysehir Lake, located in middle of Turkey, using the artificial intelligence (AI) such as the neural networks (NN) and the fuzzy logic (FL). The study considers the detailed investigation of the effect of the long-term estimate duration on the lake water level estimation. The analysed estimate ranges were 1 day, 30 days, 60 days and 90 days. The lake parameters such as the shortwave radiation, the lake total inflow rate, the lake total outflow rate and the past lake water levels constituted the input layer of the AI configurations. This study clearly showed that the estimate performance of the AI methods decreases with the increasing estimate range. It is also seen that the best estimate performance criteria are obtained by different AI methods for different estimate ranges. It is seen that the Generalized Regression Neural Network (GRNN) showed relatively superior performance compared with the other two artificial neural networks, i.e. the Radial Basis Function (RBF) and the Feed Forward Back Propagation method (FFBP), and the Adaptive Neuro-Fuzzy Inference System (ANFIS) method, for the long estimation ranges such as 60 and 90 days. The second overall best performance was obtained by FFBP.Ovaj rad obuhvaća predviđanje vodostaja jezera Beysehir, smještenog u središtu Turske, pomoću umjetne inteligencije (AI) poput neuronskih mreža (NN) i neizrazite logike (FL). Studija razmatra detaljno istraživanje utjecaja trajanja dugoročnog predviđanja na predviđanje vodostaja jezera. Analizirana razdoblja predviđanja su bila 1 dan, 30 dana, 60 dana i 90 dana. Parametri jezera poput kratkovalnog zračenja, ukupne brzine dotjecanja u jezero, ukupne brzine otjecanja iz jezera i ranijih vodostaja jezera činili su ulazni sloj AI konfiguracija. Ova studija je jasno pokazala da se uspješnost predviđanja AI metodama smanjuje s povećanjem razdoblja predviđanja. Također se vidi da se najbolji kriteriji za uspješnost predviđanja dobivaju različitim AI metodama za različita razdoblja predviđanja. Vidljivo je da je generalizirana regresijska neuronska mreža (GRNN) pokazala relativno bolje rezultate u usporedbi s druge dvije umjetne neuronske mreže, tj. radijalnom baznom funkcijom (RBF) i metodom proslijeđivanja prema naprijed s povratnim rasprostiranjem pogreške (FFBP), te metodom prilagodljivog sustava neuro-neizrazitog zaključivanja (ANFIS), za duga razdoblja predviđanja, kao što su 60 i 90 dana. Drugu ukupnu najbolju uspješnost postigla je FFBP.